LOGISTIC回归模型：方法与应用

　　在社会科学诸如社会学、心理学、人口学、政治学、经济学以及公共卫生学当中，大量的观测因变量是二分类测量（即y＝1或y＝0）。本书专题介绍了在分析二分类因变量时最常使用的统计分折模型之一——lqistic回归模型。本书深入浅出，理论联系实际，通过例题分析，并结合计算机统计软件的应用，详细介绍、阐述了该模型及其应用。同时，还介绍了如何将logistic回归模型扩展到序次logistic回归模型和多项logit模型，以分析序次变量和多分类名义变量为因变量的数据。本书提供用SAS和SPSS进行具体例题分析的计算机程序及相关数据，并对这两种软件的模型估计结果进行详尽的解释和对比分析。本书的读者对象为社会科学各专业的教师及研究生，以及社会科学专业研究人员。

暂缺《LOGISTIC回归模型：方法与应用》作者简介

1. 二分类因变量与Iogistic回归模型                  
 1. 1  引言                  
 1. 2  线性概率模型(Linear Probability Model, LPM)                  
 1. 3  Logistic回归模型                  
 2. Logistic回归模型估计                  
 2. 1  最大似然估计(Maximum Likelihood,Estimation, MLE)                  
 2. 2  Logistic回归模型估计的假设条件                  
 2. 3  最大似然估计的性质                  
 2. 4  模型估计的样本规模                  
 2. 5  拟合logistic回归的示范模型                  
 2. 6  用分组数据作logistic回归分新                  
 3. Logistic回归模型评价                  
 3. 1  拟合优度(Goodness of fit)                  
 3. 1. 1  皮尔逊X2(Pearson X2)                  
 3. 1. 2  偏差(Deviance)                  
 3. 1. 3  Hosmer-Lemeshow拟合优度指标                  
 3. 1. 4  信息测量指标(Information Measures)                  
 3. 2  Logistic回归模型的预测准确性                  
 3. 2. 1  类R2指标(Analogous R2)                  
 3. 2. 2  预测概率与观测值之间的关联                  
 3. 2. 3  分类表(Classification Table)                  
 3. 3  模型X2统计(Model Chi-Square Statistic)                  
 4. Logistic回归系数解释                  
 4. 1  发生比和发生比率(Odds and Odds Ratio)                  
 4. 2  按发生比率来解释logistic回归系数                  
 4. 2. 1  连续自变量的发生比率                  
 4. 2. 2  二分类自变量的发生比率                  
 4. 2. 3  分类自变量的发生比率                  
 4. 3  用概率来解释自变量的作用                  
 4. 4  预测概率                  
 4. 5  标准化系数                  
 4. 6  偏相关(Partial Gorrelation)                  
 5. Logistic回归系数的统计推断                  
 5. 1  Logistic回归系数的显著性检验                  
 5. 1. 1  Wald检验                  
 5. 1. 2  似然比检验                  
 5. 1. 3  检验系数子集                  
 5. 2  Logistic回归参数的置信区间                  
 5. 2. 1  Logistic回归系数的置信区间                  
 5. 2. 2  发生比率的置信区间                  
 5. 2. 3  事件概率的置信区间                  
 6. 建立模型                  
 6. 1  选择变量                  
 6. 1. 1  筛选自变量                  
 6. 1. 2  模型的比较                  
 6. 1. 3  逐步模型选择法                  
 6. 1. 4  排除有意义的变量和包括没有意义的变量                  
 6. 2  非线性与非加性(Nonlinearity and Nonadditivity)                  
 6. 2. 1  非线性                  
 6. 2. 2  非加性                  
 7. Logistic回归诊断                  
 7. 1  过离散(Overdispersion)                  
 7. 2  空单元(Zero Cell Count)                  
 7. 3  完全分离(Complete Separeation)                  
 7. 4  多元共线性(Multicollinearity)                  
 7. 5  特异值和特殊影响案例(Outliers and Influential Observations)                  
 7. 5. 1  残差影响的测量                  
 7. 5. 2  检查特异值和特殊影响案例                  
 8. Logistic回归的替代模型及扩展                  
 8. 1  Probit模型                  
 8. 1. 1  Probit模型的对数似然函数                  
 8. 1. 2  拟合probit示范模型                  
 8. 1. 3  Probit模型的解释                  
 8. 1. 4  用分组数据建立probit模型                  
 8. 1. 5  Logistic回归模型与probit模型的比较                  
 8. 2  Logistic回归扩展于多分类反应变量                  
 8. 2. 1  累积logistic回归模型(Cumulative Logistic Logistic Regression Model)                  
 8. 2. 2  多项logit模型(Multinmnial Logit Model)                  
 参考文献                  
 关键词索引